Convertir las escenas reales en modelos tridimensionales se ha convertido inevitablemente en uno de los requisitos fundamentales en la conducción autónoma. En la actualidad, el principal obstáculo para la implementación a gran escala es el alto costo del lidar para la percepción del entorno. La estimación de profundidad monocular tiene como objetivo predecir la profundidad de la escena y construir un mapa 3D mediante simplemente una cámara monocular. En este documento, agregamos restricciones de consistencia geométrica para abordar los problemas de superficie no lambertiana en la estimación de profundidad. También utilizamos los principios de imagen y reglas de conversión para producir un modelo de escena 3D a partir de múltiples imágenes. Construimos un prototipo y realizamos experimentos extensos en un pasillo y una estructura de estacionamiento subterráneo, y los resultados muestran la efectividad para servicios basados en la ubicación interior.